埃隆·馬斯克表示，幾乎所有 AI 計算將遷移至太空——SpaceX 能否實現軌道數據中心？
在2026年10月下旬的一系列高層簡報與公開聲明中，伊隆·馬斯克表示，在未來30至36個月內，太空將成為部署人工智慧計算基礎設施最具吸引力且最具成本效益的環境，並暗示幾乎所有未來的AI運算最終都可能移出地球。馬斯克預測，軌道計算能力可能從2029年左右開始，以快於地面設施的速度擴展。這一大膽預測的基礎是地球上已廣為記錄的工業瓶頸：區域電網正難以吸收吉瓦級數據中心，受限於四至七年不等的電力併網排隊時間、高壓變壓器多年的積壓訂單，以及因電費和冷卻用水消耗而日益增加的當地反對聲音。
為落實此理論，SpaceX 在近期與 xAI 完成企業整合後，已啟動具體的基礎設施規劃。在 2026 年全年，該公司為名為「Starmind」的軌道數據中心服務提交了商標申請，向美國聯邦通訊委員會（FCC）提交了雄心勃勃的軌道星座申請，並開始擴建位於德克薩斯州的大型衛星製造基地。通過將 Starship 火箭的重型運載能力與 Starlink 的光學雷射網格相結合，SpaceX 旨在測試軌道上的持續太陽能是否能繞過地球電網的物理瓶頸。
儘管SpaceX的雄心壯志規模龐大，但航太工程師、半導體物理學家和競爭對手的AI高管指出，將超大規模運算移至軌道面臨著根植於熱力學、輻射物理和單位經濟學的嚴峻障礙。雖然將太陽能電池陣列置於太陽同步軌道可避開地面傳輸隊列，但在真空中運行數千台商業AI加速器卻會帶來嚴重的散熱挑戰、宇宙輻射位元翻轉、零維護硬體限制以及光速網路延遲限制。
SpaceX 的軌道路線圖：Starmind 星群與 Gigasat 工廠
SpaceX 推動開發軌道數據中心，直接基於其火箭發射、衛星製造和光學通信部門的垂直整合。SpaceX 並未將太空計算視為孤立的研究實驗，而是將 Starmind 計劃構建為其現有 Starlink 網絡的高功率計算延伸。
2027 年第四季度示範任務
根據 2026 年 10 月下旬審查的行業披露和監管文件，SpaceX 計劃於 2027 年第四季度發射其首個專用軌道數據中心示範有效載荷。該系統將在低地球軌道（LEO）運行，並採用太陽同步軌道（SSO）配置，以確保太陽能板幾乎持續暴露在陽光下，預計將測試基於 NVIDIA Vera Rubin 平台的高密度 AI 加速器配置，並搭配高速光學通信終端。
2027 年底示範的主要目標並非立即實現商業雲端盈利，而是進行實證工程驗證。SpaceX 工程師需要測量先進的高頻寬記憶體（HBM4）和次 3 奈米邏輯晶片如何抵禦軌道輻射，測試連接大型可展開散熱翼的閉環液體熱管，並評估軌道運算節點與地面站之間的端到端資料傳輸速率。
巴斯特羅普巨型衛星工廠
為將軌道計算從一次性原型轉向工業化大規模生產，SpaceX 已開始在德克薩斯州巴斯羅普開發一座稱為「Gigasat」的大型製造廠，該廠位於其現有的 Starlink 生產園區旁。傳統的商業和國防衛星是定制化、低產量的航天器，組裝需耗時數年，每顆成本高達數億美元。巴斯羅普的 Gigasat 設施旨在將 Starlink V2 Mini 和 V3 衛星所完善的高速裝配線技術，應用於更重、更高功率的計算平台。
通過標準化衛星平台、電力調節單元、激光星間收發器以及可折疊的太陽能板和散熱器陣列，SpaceX 旨在降低每千瓦軌道容量的製造成本。一旦投入運營，德克薩斯州設施將為完全可重複使用的星艦機隊的發射節奏提供穩定的計算衛星供應鏈。
資本支出與星艦發射方程式
軌道數據中心的經濟可行性幾乎完全取決於降低將物質送入軌道的成本。在地球上，建造數據中心的物理外殼和電力基礎設施，通常在安裝伺服器硬體前，每兆瓦的成本約為1,000萬至1,200萬美元。以目前每公斤1,500至2,500美元的商業發射價格計算，將沉重的伺服器機架、冷卻迴路和巨大的散熱板送入軌道的成本過於高昂。
反映此雙重建設的資本密集性，摩根士丹利的股權分析師於 2026 年底預測，SpaceX 的年度資本支出將在 2026 年急增至約 530 億美元，並在 2027 年突破 1,300 億美元，其中絕大多數支出將用於製造 AI 數據中心衛星和擴大星艦火箭機隊。星艦設計為每趟飛行可將 100 至 150 公噸送入低地球軌道。然而，即使是最支持航空航天的人士也承認，星艦必須實現快速、類似航空公司的可重複使用性，並將發射成本降低一個數量級，降至每公斤 100 至 200 美元或更低，才能開始與地面建設成本競爭。
物理工程限制：輻射冷卻與真空熱力學
儘管軌道上的持續太陽輻射在理論上解決了發電問題，但太空卻為高密度電子設備帶來了即時的熱力學悖論。一個常見的誤解是，由於深空的背景溫度接近絕對零度（約零下270攝氏度），在太空中冷卻發熱的電腦晶片應該輕而易舉。然而實際上，航太熱力工程師面臨的正是相反的問題：太空的真空環境就像一個巨大的保溫瓶。
為何真空隔熱能困住資料中心的熱量
在地球上，超大規模資料中心使用導熱和對流，從每個伺服器機架移除 40 至超過 250 千瓦的熱量。冷板將熱量從矽片中抽出，而大型冷卻器或蒸發式冷卻塔則將這些熱能轉移到周圍的空氣和水分子中。在低地球軌道的真空中，沒有空氣也沒有水來帶走熱量；對流冷卻不存在。
每一個被軌道 GPU 消耗的瓦特電力——幾乎全部轉化為廢熱——都必須僅透過紅外線熱輻射排放到太空中。根據熱力學基本定律（特別是斯特藩-玻爾茲曼定律），一個表面在真空中能輻射的熱量取決於其表面積和絕對溫度的四次方。
由於現代 AI 處理器在運行溫度超過 85 至 95 摄氏度時會開始出現熱限制和永久性矽材料退化，因此軌道冷卻迴路不能僅僅依靠發燙的溫度來加速散熱。在安全的半導體溫度範圍內運行，並考慮來自陽光直射和地球反射光（反照率）的熱量，雙面航太散熱板每平方米僅能排出約 250 至 350 瓦的熱能。
需要大量散熱器佔地的兆瓦級運算
當從單一晶片擴展至企業級資料中心規模時，輻射冷卻會產生巨大的結構佔地面積。在軌道上散發僅 1 兆瓦的熱量，就需要約 3,000 至 4,000 平方米的雙面散熱器表面積。將此規模擴展至 100 兆瓦的 AI 集群（此為地面訓練設施的標準大小），則需要 300,000 至 400,000 平方米的散熱板，相當於約 50 至 60 個標準足球場在太空中編隊漂浮。
這些巨大的散熱片翼在發射時必須緊密折疊於火箭整流罩內，並在微重力環境下可靠展開且不卡頓，通過數百個柔性接頭循環泵送液態冷卻劑，同時在衛星太陽能板直接朝向太陽時，持續以邊緣對準太陽。這些散熱片、泵浦和結構桁架所增加的乾重，直接佔用了火箭的酬載容量，意味著每次發射的很大一部分都用於提升管線和金屬板，而非能產生收入的 GPU。
半導體可靠性：宇宙輻射、位元翻轉與零維護困境
除了熱物理學之外，將先進的商用 AI 芯片送入軌道，會使其脫離地球大氣層和磁層的保護，讓脆弱的奈米級電路持續受到高能粒子的轟擊。
次3奈米AI晶片對宇宙射線的脆弱性
傳統的通訊和偵察衛星依賴於使用較舊、較大製程節點（例如 65nm 或 130nm）製造的「抗輻射」處理器，並配備專用絕緣基板和三重冗餘邏輯閘。然而，前沿的大語言模型無法在緩慢的舊式航太晶片上運行；它們需要商用的亞 3nm GPU 和包含數十億個微觀電晶體的高密度堆疊 HBM4 記憶體。
在這些原子尺度下，記憶體單元中儲存數位
0 或 1 的電荷極為微小。當銀河宇宙射線或太陽質子穿過未加屏蔽的商用 GPU 時，會留下電離電荷軌跡，導致單一事件翻轉（SEUs）——隨機翻轉記憶體或處理器寄存器中的位元。更嚴重的是，重離子可能觸發單一事件鎖定（SELs），產生內部短路，若在幾毫秒內未切斷電源，將永久損壞晶片元件。在同步的 AI 訓練運行中，浮點權重矩陣內的一個未修正的位元反轉，可能導致整個叢集的梯度計算出錯，迫使工程師中止運行並回滾至先前的檢查點。增加厚重的物理輻射屏蔽（例如鉛或厚鋁外殼）會增加發射重量，而在複製晶片上運行冗餘的錯誤檢查計算則會使有效運算吞吐量減半。
零在軌維護 vs. 快速硅片過時
在地球上運營數據中心是一項實質性的工業操作。在任何包含十萬個GPU的地面超級集群中，光收發器、電源供應器、記憶體模組和冷卻泵每週都會出現故障。數據中心技術人員需24/7巡邏通道，更換故障刀片，以保持集群的高利用率。
在軌道上，沒有技師手持扳手。如果冷卻泵卡死、微流星體刺穿散熱器管線，或電壓調節器短路，這顆價值數百萬美元的衛星節點便無法修復。此外，AI 芯片以每 18 至 24 個月的驚人週期迭代，從 Hopper 到 Blackwell 再到 Vera Rubin，每一代都帶來每瓦特能量效率的巨大提升。而地面上的資料中心每三年只需將新的伺服器機架滑入現有機櫃，即可重用其混凝土外殼、變電站和冷卻塔；但軌道上的資料中心卻無法輕易升級。一旦其搭載的晶片在兩三年後過時，整個太空船、太陽能板、散熱器和機身都將面臨經濟性淘汰，最終墜入大氣層燒毀。
網路延遲與訓練-推斷差距
為了評估哪些工作負載實際上能在太空中運行，工程師明確地區分了緊密耦合的模型預訓練和解耦的推理任務。
為何前沿模型的預訓練仍紮根於地球
訓練前沿基礎模型需要數萬張 GPU，每秒數百次交換海量梯度數據。在地球上，像 Oracle 和 Microsoft 這樣的供應商將 GPU 密集地安裝在兩公里半徑內的機架中，並使用銅背板（NVLink）和高速以太網，將通信延遲控制在幾微秒以內。
在軌道上，星座中的衛星相隔數十至數百公里，以避免碰撞風險。由於光在真空中以每毫秒 300 公里的速度傳播，兩顆僅相距 300 公里的衛星透過雷射鏈路進行單向通訊時，會面臨 1 毫秒的延遲——這比地球上的機架內互連慢了約 500 至 1,000 倍。嘗試在廣泛分佈的衛星之間同步單一龐大的 LLM 訓練運行，將導致 GPU 因網路通訊而停滯，使地球上的校區在單體預訓練方面遠為優越。
可行的利基市場：軌道邊緣推論、地球觀測與防禦
軌道運算在邊緣資料處理、批次推論和國家韌性方面具有令人信服的工程意義。地球觀測、天氣和國防衛星每天產生數太位元組的原始光學和雷達影像，但將所有這些原始資料傳輸回地球，嚴重受到有限的無線電頻率下行鏈路頻寬瓶頸限制。
通過在軌道上直接部署 AI 推理晶片，如 Starcloud 等初創公司已在太空中運行 NVIDIA H100 晶片的早期概念驗證測試所示，衛星可在本地即時分析影像，並僅將壓縮的文字警報或可操作的座標傳回地球。同樣地，對延遲容忍度較高的批次推斷任務、主權備份隔離區，以及尋求抗審查的星外節點的 去中心化實體基礎設施網絡（DePIN），均可利用軌道運算，而無需承受數毫秒雷射鏈路延遲的影響。
行業現實檢視：Google 的 Project Suncatcher 與 Sam Altman 的批評
SpaceX 並非唯一研究軌道運算物理的公司，儘管業界領袖對經濟效益何時（或是否）能閉合持有截然不同的觀點。
Google 的「Project Suncatcher」與 100 倍發行成本壁壘
與其直接否認軌道運算，谷歌已悄然啟動了一項名為「Project Suncatcher」的探索性計劃，由高級主管 Travis Beals 領導。根據 2026 年 10 月的披露，谷歌與衛星成像公司 Planet Labs 合作，發射了兩顆原型衛星，搭載谷歌自研的張量處理單元（TPUs），以測試其 AI 芯片在太空輻射和熱散發環境下的表現。
同時，谷歌的內部經濟模型凸顯了前方巨大的財務障礙。谷歌研究人員計算指出，以目前每公斤1,500至2,000美元的商業發射價格，將硬體發射至太空的成本比陸地資料中心在整個生命週期內高出約100倍。根據谷歌的估計，發射價格必須降至每公斤200美元以下，並最終趨近於每公斤20美元，軌道太陽能的優勢才能抵消太空船製造、散熱器質量和硬體更換的成本。同時，傑夫·貝佐斯的藍色起源也已在「日出計畫」下進行了內部軌道運算研究，反映出航太業對長期離網容量的廣泛興趣。
薩姆·阿爾特曼與航太分析師敦請謹慎
人工智能與衛星產業的其他領袖對馬斯克的30至36個月時間表仍持高度懷疑態度。OpenAI首席執行官薩姆·阿爾特曼曾將近期建造大型軌道數據中心的想法稱為「荒謬」且不切實際，並指出發射成本過高，且在太空中無法修復故障的GPU，因此將OpenAI的資金專注於多吉瓦特的地面校園建設。Quilty Space的獨立航太分析師與大學研究人員同樣認為，雖然未來五年內用於衛星感測器的小型軌道邊緣伺服器將快速增長，但透過核電復興、天然氣渦輪機、地熱發電和升級電網傳輸來解決地面電力瓶頸，仍遠比將數吉瓦的伺服器機架送入低地球軌道更便宜、更快捷。
結論
埃隆·馬斯克提議將人工智慧基礎設施移至軌道，並獲得SpaceX的Starmind申請、巴斯特羅斯巨型衛星工廠以及預計2027年資本支出預算的支持，凸顯了電網瓶頸對地球上數據中心增長的嚴重限制。然而，熱力學和半導體物理定律在低地球軌道上構成了巨大的障礙。在星艦將發射成本降低約兩個數量級，且工程師解決千米級紅外散熱器、宇宙射線位翻轉以及兩年壽命的可拋棄晶片週期等挑戰之前，軌道運算將主要服務於專用的邊緣推斷和衛星數據處理，而非取代地面吉瓦級超級集群。
常見問題
Elon Musk 說 AI 計算什麼時候會移至太空？
在 2026 年底，埃隆·馬斯克表示，在 30 至 36 個月內，太空將成為部署 AI 計算成本最低的地點，因為軌道太陽能可避開地球電網長期的排隊和許可延遲問題。SpaceX 目標於 2027 年第四季度發射首個使用 NVIDIA Vera Rubin 硬體的軌道數據中心測試載荷。
軌道數據中心如何在太空真空中為 GPU 散熱？
由於太空是真空環境，沒有空氣或水進行對流冷卻，熱量無法直接消散到寒冷的背景中。軌道伺服器必須透過內部液體迴路收集廢熱，並將其泵送至巨大的可展開散熱板上，以紅外熱輻射的形式緩慢釋放能量——每1兆瓦的計算能力約需3,000至4,000平方米的散熱表面。
將 AI 芯片送入太空的主要技術挑戰是什麼？
四大主要障礙包括輻射散熱（需要巨大的重型散熱翼）、宇宙輻射（會導致密集的亞3奈米商用GPU和HBM4記憶體出現位元翻轉和硬體損壞）、零維護（在軌道上無法物理修復損壞的元件），以及衛星間雷射延遲（這使得緊密同步的LLM預訓練效率遠低於地球上的效率）。
除了太空探索技術公司之外，還有其他科技公司正在測試軌道人工智能運算嗎？
是的。儘管 OpenAI 執行長 Sam Altman 認為近期大規模軌道數據中心不切實際，但 Google 正運行一項名為「Project Suncatcher」的探索性計劃。初創公司 Starcloud 已在軌道上測試了 NVIDIA H100 GPU，而 Blue Origin 也在「Project Sunrise」下研究了這一概念。
免責聲明
免責聲明: 本頁面經由 AI 技術翻譯，旨在方便您的閱讀。欲獲取最準確資訊，請以原始英文版本為準。